CrysMMNet：用于晶体性质预测的多模态表征

基于摘要分析。本文研究晶体性质预测，提出 CrysMMNet，将晶体图结构表征与材料文本描述表征融合，以补充局部原子邻域建模难以充分表达的全局周期性结构信息。研究对象是晶体材料，而非 EEG 或 BCI。 机制方面，摘要指出，现有晶体图方法通常依据三维空间中邻近原子建立多重图，并使用 GNN 学习材料表征；作者认为，这类方法能够编码局部化学语义，但对空间群编号、晶体对称性及旋转信息等全局特征的捕获不足。CrysMMNet 为材料数据库整理逐材料的文本描述，并融合结构与文本表征，形成联合多模态表征。具体文本生成方式、编码器、融合算子、损失函数与训练流程尚未验证。 作者报告，在两个晶体材料基准数据集、共十种性质的预测实验中，CrysMMNet 优于所比较的现有基线；作者还报告，为所测试的 GNN 融合文本后，相较各自原始版本均获得一致改进。摘要未提供数据集名称、划分协议、评价指标或改进幅度，因此不能量化收益或判断不同性质上的效果差异。作者称已共享为两个基准材料数据库整理的文本数据，具体获取条件及复现配置尚未验证。 阅读全文时需核对文本如何构建、包含哪些预测时可用的信息，以及性能提升来自全局结构补充还是其他信息差异；实验协议、消融及统计信息尚未验证。该工作依赖晶体图与材料描述之间的对应关系，摘要没有建立其与 EEG 瓶颈的具体机制对应，因此不据此提出 BCI 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。